基于物联网的远程温室视觉监控系统设计与实现.pdf

1 0 0 中国农机化学报2 0 2 3年 D O I 1 0 1 3 7 3 3 j j c a m i s s n 2 0 9 5 5 5 5 3 2 0 2 3 0 1 0 1 5 基于物联网的远程温室视觉监控系统设计与实现 张净1 张康1 刘晓梅2 杨宁1 1 江苏大学电气信息工程学院 江苏镇江 2 1 2 0 1 3 2 江苏科茂信息技术有限公司 江苏镇江 2 1 2 0 0 1 摘要 在当前智慧农业的大环境下 农作物生长过程的识别与监控问题一直是一项具有挑战性的任务 基于此提出一种基 于物联网的远程温室视觉监控系统 系统通过L o R a无线通信技术监测温室内的温湿度 光照强度等环境参数 能够及时 监测到农作物的生长状况 并实现自动通风 自动补光等功能 在P C端的Q t上位机实时监测温室内的环境信息并控制 环境参数 通过O V 9 7 2 6摄像头对农作物进行监测 所获得的生长状态信息传输到S 3 C 6 4 1 0集中控制模块进行处理 结合 克隆选择算法和朴素贝叶斯分类器对叶片进行识别处理 本系统采用L o R a模块进行自组网来实现环境监测 将L i n u x 操作系统移植到集中控制模块 为视觉系统软硬件平台的搭建做准备工作 所使用的组合算法能够使得农作物叶片识别 率达到9 5 3 识别时间达到8 4 m s 对于叶片识别精度等方面有着明显的提升 经过实验充分验证本系统所使用的设 备与算法的有效性 关键词 L o R a 叶片识别 克隆选择算法 朴素贝叶斯 Q t L i n u x操作系统 中图分类号 S 2 4 文献标识码 A 文章编号 2 0 9 5 5 5 5 3 2 0 2 3 0 1 0 1 0 0 0 8 张净 张康 刘晓梅 杨宁 基于物联网的远程温室视觉监控系统设计与实现 J 中国农机化学报 2 0 2 3 4 4 1 1 0 0 1 0 7 Z h a n g J i n g Z h a n g K a n g L i u X i a o m e i Y a n g N i n g D e s i g n a n d i m p l e m e n t a t i o n o f r e m o t e g r e e n h o u s e v i s u a l m o n i t o r i n g s y s t e m b a s e d o n I n t e r n e t o f T h i n g s J J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n 2 0 2 3 4 4 1 1 0 0 1 0 7 收稿日期 2 0 2 1年1 0月1 9日 修回日期 2 0 2 2年2月1 0日 基金项目 国家重点研发项目 2 0 1 9 Y F C 1 6 0 6 6 0 0 第一作者 张净 女 1 9 7 5年生 江苏镇江人 博士 副教授 研究方向为计算机应用 E m a i l j s z j 0 8 0 6 2 0 0 0 1 6 3 c o m Designandimplementationofremotegreenhousevisualmonitoringsystem basedonInternetofThings ZhangJing1 ZhangKang1 LiuXiaomei2 YangNing1 1 SchoolofElectricalInationEngineering JiangsuUniversity Zhenjiang 2 1 2 0 1 3 China 2 JiangsuKemaoInationTechnologyCo Ltd Zhenjiang 2 1 2 0 0 1 China Abstract I n t h e c u r r e n t e n v i r o n m e n t o f i n t e l l i g e n t a g r i c u l t u r e t h e i d e n t i f i c a t i o n a n d m o n i t o r i n g o f c r o p g r o w t h p r o c e s s h a s b e e n a c h a l l e n g i n g t a s k B a s e d o n t h i s a r e m o t e g r e e n h o u s e v i s u a l m o n i t o r i n g s y s t e m b a s e d o n I n t e r n e t o f t h i n g s i s p r o p o s e d t h e s y s t e m m o n i t o r s e n v i r o n m e n t a l p a r a m e t e r s s u c h a s t e m p e r a t u r e h u m i d i t y a n d l i g h t i n t e n s i t y o f c r o p s i n g r e e n h o u s e b y L o R a w i r e l e s s c o m m u n i c a t i o n t e c h n o l o g y w h i c h c a n m o n i t o r t h e g r o w t h o f c r o p s i n t i m e a n d t o a c h i e v e t h e g r e e n h o u s e c r o p s a u t o m a t i c v e n t i l a t i o n a u t o m a t i c l i g h t i n g a n d o t h e r f u n c t i o n s R e a l t i m e m o n i t o r i n g o f e n v i r o n m e n t a l i n f o r m a t i o n a n d c o n t r o l o f e n v i r o n m e n t a l p a r a m e t e r s i n t h e g r e e n h o u s e f r o m t h e Q t h o s t o n t h e P C a n d t h e c r o p s a r e m o n i t o r e d b y O V 9 7 2 6 c a m e r a T h e i n f o r m a t i o n o b t a i n e d i s t r a n s m i t t e d t o S 3 C 6 4 1 0 c e n t r a l i z e d c o n t r o l m o d u l e f o r p r o c e s s i n g a c o m b i n a t i o n o f c l o n a l s e l e c t i o n a l g o r i t h m s a n d N a i v e B a y e s c l a s s i f i e r w a s u s e d t o i d e n t i f y t h e l e a v e s T h i s s y s t e m u s e s L o R a m o d u l e t o i m p l e m e n t e n v i r o n m e n t a l m o n i t o r i n g a n d t h e L i n u x o p e r a t i n g s y s t e m i s t r a n s p l a n t e d t o t h e c e n t r a l i z e d c o n t r o l m o d u l e t o p r e p a r e f o r t h e c o n s t r u c t i o n o f t h e h a r d w a r e a n d s o f t w a r e p l a t f o r m o f t h e v i s u a l s y s t e m t h e c o m b i n e d a l g o r i t h m c a n m a k e t h e r e c o g n i t i o n r a t e o f c r o p l e a v e s r e a c h 9 5 3 a n d t h e r e c o g n i t i o n t i m e r e a c h 8 4 m s w h i c h i m p r o v e s t h e p r e c i s i o n o f l e a f r e c o g n i t i o n o b v i o u s l y t h e v a l i d i t y o f t h e e q u i p m e n t a n d a l g o r i t h m u s e d i n t h i s s y s t e m i s f u l l y v e r i f i e d b y e x p e r i m e n t s Keywords L o R a b l a d e i d e n t i f i c a t i o n c l o n a l s e l e c t i o n a l g o r i t h m N a i v e B a y e s Q t L i n u x o p e r a t i n g s y s t e m 第4 4卷 第1期 2 0 2 3年1月 中国农机化学报 J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n V o l 4 4 N o 1 J a n 2 0 2 3 第1期张净等 基于物联网的远程温室视觉监控系统设计与实现1 0 1 0 引言 如何充分监测到温室中生长的植物状态是目前温 室监测系统的关键 在传统的温室种植中 通过人工 采样的方法不仅效率低 更重要的是不能及时地做出 预警 对于植物的生长状态不能得到充分的保证 当 前物联网技术多采用Z i g b e e G P R S S i g f o x和 N B l o T等方式 但Z i g b e e和G P R S等技术普遍存在 通信距离短 功耗大且布网复杂等缺点 而S i g f o x和 N B l o T等技术则由当地运营商管理 只有支付了订 费 传感器才能进行数据传输 1 此外 还有数据流量 和数据包大小的限制 这些问题给数据传输造成了较 大的麻烦 采用L o R a技术则能够同时满足低功耗 深 覆盖和布网简易等要求 2 当前图像处理技术的发 展 促进了农作物生长信息监测逐渐转向信息化 智能 化 对于农作物生长趋势及种类有效识别是目前图像 处理领域较为棘手的一部分 许多国内外学者对植物视觉监控方及环境因子监 测等方面已进行了多种研究 王永干等 3 采用Z i g B e e 协议搭建无线传感器监测网络并对植物的叶绿体进行 准确测量与实时监测 P a t u r k a r等 4 利用物联网技术 在室外条件下测量并监控不同植物生长时期的各种植 物生长和结构参数 D h i l l o n等 5 利用叶片监测传感 器系统用以监控植物的水分以此来改善生长状况 L i n等 6 提出了一种基于S T M 3 2的智能植物生长柜 监控系统的设计方案 并设计了一种S T M 3 2模糊控 制算法使其能够为植物生长提供最佳生长环境 本文所设计的基于物联网的无线通信的远程温室 视觉监控系统利用L o R a技术实现了植物生长过程中 各项环境参数的实时监测 利用设计的录屏及截屏功 能定时录制指定区域的农作物图像 同时使用映像截 屏功能将采集到的植物图片放入叶片分类器中进行预 处理 针对于农作物的种类及生长状态 将处理后的农 作物图像结合克隆选择算法和朴素贝叶斯算法对植物 叶片进行识别 实时监测出植物的种类及状态 以期达 到实时监控并及时做出阈值报警的目的 1 系统结构及工作原理 1 1 系统总体结构 本系统主要包含以下几个模块 分别为环境因子 采集与控制模块 图像采集模块 叶片识别模块以及集 中控制模块 系统主要工作流程为 通过放置于温室内 的摄像头来采集农作物图像 将其传输至集中控制模 块处理 然后在叶片识别分类器中进行分类识别 得到 农作物种类及其识别率 从而得知农作物生长是否正 常 此外利用多个传感器对农作物生长环境中的温湿 度 二氧化碳浓度 光照强度等数据进行实时采集同时 配以排风 补光等功能 以便于更好地对农作物的生长 参数进行实时监测 最后通过在Q t上位机监控界面进 行实时监控并查询农作物生长视频 获取分类数据 对 相应的环境参数及设备实时监控 系统的总体结构如 图1所示 图1 系统总体结构 F i g 1 S y s t e m a r c h i t e c t u r e 1 2 系统工作过程 1 2 1 系统硬件设计 系统环境因子采集终端采用S T M 3 2 F 1 0 3 C 8 T 6最 小系统单片机及S 3 C 6 4 1 0控制模块来采集温湿度 光 照强度 二氧化碳浓度等环境因子数据 其中L o R a模 块采用了A T K型号的模块 其采用高效的I S M频段 射频S X 1 2 7 8扩频芯片 最远距离可达3 k m 工作频率 在4 1 0 4 4 1 M H z免费频段 其精度和稳定性相比于 S X 1 2 7 6等有着明显的优势 7 温湿度采集模块采用的 是A M 2 3 0 5湿敏电容复合传感器 供电电压为3 3 V 采集精度为 2 其反应灵敏 抗干扰能力强 性价比 极高 二氧化碳采集模块采用了S G P 3 0气体传感器 供电标准为3 3 V 具有抵抗实际应用中污染气体的 能力 从而实现优异的长期稳定性和低漂移 使用时需 要接电平转换方可接入开发模块中 光照强度采集模 块采用的是T E M T 6 0 0 0传感器 供电标准为3 3 V 工作温度为 4 0 8 5 可识别光强范围为1 1 0 0 0 L u x 具有良好的线性输出和响应快等优点 W i F i模块采用的是超低功耗的U A R T W i F i透传模 块 供电标准为3 3 V 仅需要通过串口使用A T指令 控制 就能满足大部分的网络功能需求 系统根据预先 设定的阈值范围来调控灯光 排风等装置 并将采集到 的各项传感器数据经由E S P 8 2 6 6无线模块传输并显 示于上位机监控界面并存储于数据库中 图2为通信 部分的电路原理图 传输距离不足及功耗问题是目前物联网监控环境 下亟需解决的关键 与几种常见的组网通信方式对比 1 0 2 中国农机化学报2 0 2 3年 L o R a具有功耗低和传输距离长的优点 更加适用于物联网的部署 8 图2 通信部分的电路原理图 F i g 2 S c h e m a t i c d i a g r a m o f c o m m u n i c a t i o n p a r t 在传输性能方面 为了测试L o R a网关的通信性 能 通过在乡下实验基地的测试场地 在不同的传输距 离下测试L o R a采集节点与网关间无线传输的丢包 率 由检测到的多组数据统计可知 在1 k m范围以 内 L o R a无线通信的丢包率在1 0 以下 4 0 0 m以内 的丢包率为0 相比于传统的Z i g B e e和W i F i组网方 式 本系统能够实现高可靠 远距离的组网通信 系统 传输距离和丢包率的关系如图3所示 植物图像采集模块则由O V 9 7 2 6摄像头对农作物 图像进行采集并实时监控 该型号摄像头是一种低电 压 高性能的1 6 5英寸7 2 0 p H D C M O S图像传感器 最大数据传输速率为6 0 0 M b p s 采用O m n i B S I技术在 第1期张净等 基于物联网的远程温室视觉监控系统设计与实现1 0 3 小封装中提供单芯片W X G A 1 2 8 0 8 0 0 摄像头的完 整功能 在低光条件下有着高灵敏度 能够满足监控系 统的实验要求 其主要作用是将采集到的图像存储于 核心处理器的S D卡中并进行预处理操作 然后将预处 理后的农作物图片放入所设计的叶片识别器中并结合 克隆选择算法和朴素贝叶斯算法对其进行识别处理 Q t上位机结构如图4所示 图3 传输距离与丢包率 F i g 3 T r a n s m i s s i o n d i s t a n c e a n d p a c k e t l o s s r a t e 图4 Qt上位机设计流程 F i g 4 Q t h o s t c o m p u t e r d e s i g n p r o c e s s 集中控制模块由A R M 1 1系列的S 3 C 6 4 1 0芯片和 动态随机存取存储器等组成 使用固态继电器来控制 排风 灯光等 这主要得益于该继电器性能稳定 耐久 性较好且运行较快 最后使用Q t系统所设计的上位机 对各项环境因子数据和植物的生长状况进行查看及 管理 1 2 2 系统软件设计 系统选用嵌入式L i n u x作为整个系统软件开发平 台 通常来说L i n u x系统存储容量及功能是固定的 需 要在P C机上搭建系统的交叉编译环境 随后通过 S 3 C 6 4 1 0开发板实现所需的功能 此外 环境开发采 用k e i l u v 5开发环境进行系统编译等工作 其中 S T M 3 2最小系统单片机与L o R a模组之间通过 E S P 8 2 6 6进行无线传输 系统的软件设计流程图如图 5所示 图5 软件设计流程图 F i g 5 S o f t w a r e d e s i g n f l o w c h a r t 上位机监控系统设计主要在L i n u x操作系统中的 U b u n t u系统内完成 通过在Q t系统中调用O p e n c v 进行c m a k e编译 此处的c m a k e编译主要用于将 O p e n c v源码编译成Q t C r e a t o r能使用的库 从而在 Q t系统中实现录制指定区域的功能 此外还实现了对 录制的监控视频进行定时录制 即每间隔一小时截取 5 s的视频图像 并调用m m a p 映射 的方式截取所保 存视频中的植物图片 9 截取的农作物图片用以放至 所设计的叶片识别分类器中进行预处理 能够完成对 农作物生长过程的识别与分类 图6为上位机监控界 面 该上位机监控界面包含了录制功能 阈值检测 数 据库存储 植物识别等多种功能 通过上位机界面所显 示的各项环境因子数据以及农作物的实时生长界面 利用设定的阈值对控制设备进行相应的调控 图6 上位机监控设计界面 F i g 6 I n t e r f a c e o f P C m o n i t o r i n g d e s i g n 1 0 4 中国农机化学报2 0 2 3年 2 植物叶片分类识别模型 2 1 建模方法 克隆选择算法 C S A 是一种人工免疫系统A I S A r t i f i c i a l I m m u n e S y s t e m 中至关重要的算法 在诸多 领域中有着许多经典的应用及成果 它是一种不同生 物机制且依赖于做比较的算法 但也显示出了许多有用 的特性 例如保持种群的多样性 从而有效地克服诸如 早熟等计算本身难以解决的问题 其快速的随机全局搜 索能力对植物叶片识别有着卓越的帮助 1 0 本文利用克 隆选择算法中的核心思想 将拟定识别分析的农作物的叶 片几何与特征值作为抗原 对抗原进行初始化分析 1 1 其中对抗原进行初始化的方法如式 1 所示 Ag b1 Ag b2 Ag L bi Ag L bN Ag G 1 式中 Ag 抗原 bi Ag 抗原的第i个特征值 G 相应类别 由于传统的克隆选择算法主要是通过构建记忆细 胞来进行全局和局域选择 并通过克隆操作扩展搜索 区域 然而传统的克隆选择算法的局部选择精度较低 对于植物叶片识别来说存在一定的不足 因此 提出 并采用一种结合克隆选择算法和朴素贝叶斯分类器相 结合 1 2 的组合算法 即C S A N B M模型 并设计一种 叶片识别分类器以此来提高识别率和识别时间等 2 2 建模设计 基于C S A的N B M分类算法流程图如图7所示 图7 基于CSA的NBM分类算法流程图 F i g 7 C S A B A S E D N B M c l a s s i f i c a t i o n a l g o r i t h m f l o w c h a r t 针对所设计的叶片分类器的训练过程 克隆选择 算法的优化是前提条件 这意味着克隆选择算法是该 分类器的较为关键的一点 其中就包括了根据比例选 择亲和度大小 抗体突变等一系列操作 而亲和度即 为叶片识别分类的准确度 将朴素贝叶斯分类器幂加 权的权值拟定为抗体 通过训练获得的最优抗体为记 忆抗体 通过这种拟定旨在解决叶片识别过程中所存 在的识别精度等一系列问题 将克隆选择算法中的抗体作为朴素贝叶斯分类器 的权值 对朴素贝叶斯中的特征值进行幂加权 1 3 1 4 能 够得到式 2 D xp a r g m a xp cj nj 1P aip cj wki 2 式中 p cj 通过统计训练得到的cj出现的 概率 p aip cj wki 条件aip出现的条件概率 wki 第k个抗体的第i个属性幂加权的值 找到亲和度最高的wk 通过最佳的wk 获得比原来合理的p aip cj wki 最后 更加准确的预测D xp 的类别 根据预先设定好的基于克隆选择算法的朴素贝叶 斯识别分类器的原理 主要算法步骤如下所示 1 针对采集到的农作物叶片数据首先进行归纳 统一样本的统计分布性 对处理后的数据进行初始化 操作 接而对算法中的抗体规模等参数依据要求进行 后续的初始化 这里可令K为抗体群 根据需求传输 抗体数目 产生对应初始抗体 K中第i个抗体用 Ki yi1 yi2 yii 2 其次生成初始抗体群Dat并从抗体群中遴选 出理想值 以抗体群为样本 对设定后的样本进行解码 操作 使用朴素贝叶斯算法的训练集大小计算出亲和 度范围 3 依据所需结果 拟定亲和度阈值以此来筛选最 优抗体 从抗体群Dat中筛选出x个最优抗体Px 将 筛选出的抗体组成解码后符合标准的克隆种群Dac 4 对上一步骤所得的克隆种群Dac进行高频的 变异操作 经此操作后 能够得出新的抗体群Da 5 对亲和度阈值大小再次进行拟定 对阈值较低 的抗体进行删除操作 得到一个新的抗体群Dal 6 计算所得到的Da 表示抗体群的亲和度 筛选 出对应的锲合度最大抗体 从而将组合得到的最大抗 体和Dal构成新的抗体群Dan 使用事先组合好的算 法处理该抗体群 得到最新的抗体群 7 如果优化搜索过程完成则推算下一步 否则继 续进行筛选最优抗体 8 输出优化参数结果 计算新的抗体和抗原亲和 第1期张净等 基于物联网的远程温室视觉监控系统设计与实现1 0 5 度 亲和度最高的可作为记忆抗体来使用 9 使用获取的幂加权的权值并且特定的训练方 法来训练叶片特征的朴素贝叶斯模型 1 5 1 0 选择合适的农作物叶片作为样本 使用训练 后的组合算法对其进行测试识别 3 系统试验 本文所选取的试验样本来自镇江市江苏科茂乡下 实验基地所下辖的植物园采集的农作物叶片 采集了 2 5个种类并在采集过程记录农作物的名称 经过摄 像头进行采集之后 每个种类抽取2 0个叶片作为训练 样本 1 5个作为测试样本 使用四种不同的算法训练 对农作物叶片的识别率等进行多个因素进行分析 实现叶片图像分类的主要过程如以下步骤所示 1 读图 通过对话框函数获取图片路径 选取要 进行拼接的图片 将其和数据集中的植物图像作对比 然后用i m s h o w函数进行显示 最后将读取出的植物 图片显示到G U I展示区的识别区域 1 6 2 图像预处理 将图像所需的灰度值归一化到0 到1之间 接着进行二值化操作 并将阈值定为0 4 3 图像运算 这里主要先进行了闭运算 而后再 进行开运算 进而能够实现图像边界区域的平滑 同时 不影响其整体区域 1 7 4 图像训练 首先将提取出的农作物图像进行训 练样本 并将其标记于图像边缘 然后提取不变矩特 征 最后将数据集中的样本与训练样本进行匹配 5 图像配准 采用了图像配准算法中的基于图像 特征配准算法 1 8 其次利用该匹配算法根据不同训练 标准进行配准 并且使用不同的训练结果进行命名 以 此来实现植物图像的有效分类 叶片分类器的主要训练为以下过程 将提取好的 农作物样本图像导入 经过对农作物样本进行图像预 处理等操作后 再将样本放入分类器中进行训练 输入 测试样本得到识别结果 选取的植物样本与最终识别 出的植物叶片图像均可在G U I界面显示 同时提供了 C S A N B M B P神经网络 C S A和N B M四个算法以 不同方式进行对比 点击G U I界面中对应的识别按钮 能够查看不同算法的识别结果 其系统的功能结构如 图8所示 图8 分类器结构框图 F i g 8 B l o c k d i a g r a m o f c l a s s i f i e r s t r u c t u r e 打开所设计的分类器系统后 在系统的G U I界面 点击对应的启动文件按键 能够将摄像头所采集的待 识别农作物图像找出 此时在G U I界面左侧显示所调 出的农作物图像 然后进行特征值导入 在界面内使用 所需训练的算法对植物种类进行叶片识别 最后系统 选出样本库中与待识别农作物图片特征值数据匹配的 图像 完成最终的识别 以生菜植物叶片为例 在分类 器界面分别使用C S A N B M C S A N B M B P算法后 的识别效果对比图如图9所示 a C S A算法识别效果 b N B M算法识别效果 c C S A N B M算法识别效果 d B P算法识别效果 图9 以生菜为实例的四种算法识别效果图 F i g 9 R e c o g n i t i o n e f f e c t d i a g r a m o f f o u r a l g o r i t h m s t a k i n g l e t t u c e a s a n e x a m p l e 1 0 6 中国农机化学报2 0 2 3年 以生菜叶子为例对同一批植物样本进行测试 运 用基于C S A的N B M分类器 B P神经网络分类器 C S A分类器和N B M分类器四种算法分别进行叶片识 别的训练时间 识别速度和识别率结果进行测试对比 在测试过程中对同种植物样本采用以上所述的四种算 法分别进行多次训练 并将最终训练所得的结果归纳 整理于表格内进行分类对比 测试6 5次的对比结果如 图1 0所示 a 四种算法的识别时间 b 四种算法的训练时间 c 四种算法的平均识别率 图10 针对生菜叶子的四种算法测试对比图 F i g 1 0 T e s t c o m p a r i s o n c h a r t o f f o u r a l g o r i t h m s f o r l e t t u c e l e a v e s 试验结果如表1所示 由表1可知 本文所采用 的四种算法分类器中 当使用C S A N B M分类器时 对农作物叶片的平均识别率可达到9 5 3 此外在样 本识别时间也优化至8 4 m s 相比于另外三种算法分 类器有着明显的提升 由图1 0可知 随着训练次数的 增加 本文提出的C S A N B M算法训练次数在第5 3 代左右时达到最佳稳定值 另外三种算法的最佳稳定 值则在第6 0代左右 虽然在农作物叶片的样本训练时 间上相比于C S A算法还有所缺陷 但在样本识别时间 方面有了显著的缩短 同时在叶片识别率方面有着较 好的提升 并且在调用叶片数据集以识别叶片方面 叶 片识别效果明显优于其他几种算法的识别 表明基于 C S A的N B M的分类识别方法能够符合要求 能够符 合系统对于叶片数据的识别需求 表1 算法训练对比 T a b 1 C o m p a r i s o n o f a l g o r i t h m t r a i n i n g 算法类别训练时间 s识别时间 m s平均识别率 迭代次数 次召回率 B P神经网络1 1 2 1 3 3 9 0 8 6 5 9 1 C S A 3 8 5 0 9 8 9 8 6 5 9 4 N B M 6 6 3 3 7 8 9 1 6 5 9 2 C S A N B M 4 4 8 4 9 5 3 6 5 9 6 4 结论 1 本文结合了视觉监控与植物生长的管理需求 使用L o R a通信技术设计并实现了关于植物视觉的远 程监控系统 通过设定的录制与截屏功能实现对农作 物图像的监控 系统主要包含了环境因子采集与控制 模块 图像采集模块 控制模块以及叶片识别模块 并 且经试验表明该系统能够平稳运行 系统各部分之间 衔接完整 能够基本满足用户的需求 2 针对当代农业植株的生长状态难以实时监控 等情况 设计了一种基于克隆选择算法的朴素贝叶斯 分类器的叶片识别分类器 能够及时调用数据集中的 植物叶片并实现对叶片的识别与分类 通过实验结果 分析可知使用C S A N B M算法识别叶片种类能够使 得其识别率达到9 5 左右 识别时间能够达到8 4 m s 左右 相比于其他几类算法识别有着明显的提升 3 经过在实验基地测试表明 使用L o R a通信技 术来传输数据能够稳定地传输 在4 0 0 m范围内能够 使得丢包率保持在0 而1 k m范围内丢包率能控制 在1 0 左右 综上所述 本文所提出的系统在成本和 功耗方面都能有很大的降低 同时有着不错的稳定性 对现代化农业的智能化发展有着重大意义 4 鉴于本系统实验目前主要应用于温室大棚 对 于野外空旷环境的条件未进行进一步测试 未来需要 在不同环境下进行多方位对比 此外 在未来的监控中 还可添加一个自动诊断模块 用以自动识别病虫害 参 考 文 献 1 L i n S Y i n g Z Z h e n g K D e s i g n a n d i m p l e m e n t a t i o n o f 第1期张净等 基于物联网的远程温室视觉监控系统设计与实现1 0 7 l o c a t i o n a n d a c t i v i t y m o n i t o r i n g s y s t e m b a s e d o n L o R a J a r X i v p r e p r i n t a r X i v 1 9 0 2 0 1 9 4 7 2 0 1 9 2 S a n c h e y S u t i l F C a n o O r t e g a A S m a r t r e g u l a t i o n a n d e f f i c i e n c y e n e r g y s y s t e m f o r s t r e e t l i g h t i n g w i t h L o R a L P W A N J S u s t a i n a b l e C i t i e s a n d S o c i e t y 2 0 2 1 7 0 1 0 2 9 1 2 3 王永千 赵鹏飞 范利锋 等 基于反射光谱的植物群体叶 绿素含量监测系统的研制 J 农业工程学报 2 0 1 4 3 0 1 0 1 6 0 1 6 6 W a n g Y o n g q i a n Z h a o P e n g f e i F a n L i f e n g e t a l D e v e l o p m e n t o f p l a n t f o r m o n i t o r i n g c h l o r o p h y l l c o n t e n t o f p l a n t p o p u l a t i o n u s i n g r e f l e c t a n c e s p e c t r o s c o p y J T r a n s a c t i o n s o f t h e C h i n e s e S o c i e t y o f A g r i c u l t u r a l E n g i n e e r i n g 2 0 1 4 3 0 1 0 1 6 0 1 6 6 4 P a t u r k a r A G u p t a G S B a i l e y D N o n d e s t r u c t i v e a n d c o s t e f f e c t i v e 3 D p l a n t g r o w t h m o n i t o r i n g s y s t e m i n o u t d o o r c o n d i t i o n s J M u l t i m e d i a T o o l s a n d A p p l i c a t i o n s 2 0 2 0 7 9 4 7 3 4 9 5 5 3 4 9 7 1 5 D h i l l o n R R o j o F U p a d h y a y a S K e t a l P r e d i c t i o n o f p l a n t w a t e r s t a t u s i n a l m o n d a n d w a l n u t t r e e s u s i n g a c o n t i n u o u s l e a f m o n i t o r i n g s y s t e m J P r e c i s i o n A g r i c u l t u r e 2 0 1 9 2 0 4 7 2 3 7 4 5 6 L i n H R u i g i M S h i g a n g C e t a l D e s i g n o f i n t e l l i g e n t p l a n t g r o w t h c a b i n e t e n v i r o n m e n t m o n i t o r i n g a n d c o n t r o l s y s t e m C 2 0 1 8 C h i n e s e C o n t r o l a n d D e c i s i o n C o n f e r e n c e C C D C I E E E 2 0 1 8 1 4 7 2 1 4 7 5 7 鲍捷 欧仁侠 基于S X 1 2 7 8的温室大棚无线监测系统设 计 J 通讯世界 2 0 1 7 2 0 2 7 9 2 8 0 8 A d o R E B a l v s C a r p e n t i e r A V e t a l C i t y s c a p e l o r a s i g n a l p r o p a g a t i o n p r e d i c t e d